基本信息

项目名称:
基于小波降噪的Kalman股票预测
小类:
信息技术
简介:
本文基于前期对股票风险预报的研究,在对股票时间序列的特征进行分析的基础上,提出了一种股票预测方法,对股票时间序列具有一定的适用性。
详细介绍:
本文在结合小波分析理论与卡尔曼(Kalman)滤波的基础上提出了基于小波降噪的Kalman预测模型。实验结果表明,经过小波降噪后的数据通过Kalman预测与未经处理的数据得出的预测结果相比,前者更为精确,具有更高的可信度。

作品专业信息

撰写目的和基本思路

本文旨在对一种现有的预测方法进行改进,以提高预测的精度。本文在卡尔曼(Kalman)滤波的基础上进行了改进,先对要进行预测的数据进行预处理,再进行预测,从而提高预测的精度。

科学性、先进性及独特之处

本文将小波降噪理论和卡尔曼滤波原理相结合,提出了一种新的预测方法。而且本方法具有一定的针对性,在提出本方法之前,我们对股票时间序列特征进行了分析,通过实验证明,本方法能够较好的适应股票时间序列的特点。

应用价值和现实意义

本文基于前期对股票风险预报的研究,在对股票时间序列的特征进行分析的基础上,提出了一种股票预测方法,对股票时间序列具有一定的适用性,通过实验,该方法可以较为准确的对股票时间序列进行预测。可以在股市风险预报方面得到一定的应用。

学术论文摘要

本文在结合小波分析理论与卡尔曼(Kalman)滤波的基础上提出了基于小波降噪的Kalman预测模型。实验结果表明,经过小波降噪后的数据通过Kalman预测与未经处理的数据得出的预测结果相比,前者更为精确,具有更高的可信度。

获奖情况

鉴定结果

参考文献

《小波分析理论与MATLAB 2007实现》 《小波分析与应用》 《自适应滤波器原理》

同类课题研究水平概述

国内外的研究员关于股市风险预测的研究有很多,总体上可分两个方面,一种是以方差为风险计量指标的预测研究,这主要基于的模型另一种以刀值为风险计量指标的预测研究,将刀值看作随时间变化的风险,用自回归模型对其风险进行预测。随着神经网络方法、小波分析方法以及混沌技术等新的技术出现,出现了很多新的风险预测方法,改变了传统的风险预测模式,突破了传统预测要求时间序列同方差的限制,大大提高了风险预测精度。(由于字数限制,更详请见提交的申请报告)
建议反馈 返回顶部
点击关闭 点击关闭